Alibaba: Wan 2.7

Alibaba Wan 2.7 est une famille de génération vidéo dotée de profils nommés pour la vidéo à partir de texte, d’images et de références. Le fabricant documente des scènes avec audio synchronisé et des récits à plusieurs plans, tandis que son processus fondé sur des images ajoute la génération à partir de la première et de la dernière image ainsi que le prolongement d’une vidéo initiale. Le résultat utile est un court clip avec sa bande sonore, par exemple une transition de produit, une histoire compacte ou une suite qui s’accorde avec un plan existant. Choisissez le mode selon la source et le contrôle nécessaire sur le début ou la fin.

Pour la vidéo à partir de texte, décrivez le sujet, le décor, l’action, la caméra, le style et le son. Un storyboard peut identifier chaque plan et sa plage temporelle, tandis qu’un brief pour un plan unique doit préciser que l’action reste continue. Le guide de prompts Wan 2.7 laisse le modèle interpréter la structure des plans à partir du brief écrit, au lieu d’utiliser la commande shot_type de la version 2.6. L’API textuelle actuelle accepte des prompts en chinois ou en anglais jusqu’à 5’000 caractères, avec un prompt négatif séparé de 500 caractères ; le texte excédentaire est tronqué. Rendez l’action essentielle et les contraintes claires dans cette limite.

La vidéo à partir d’une première image anime l’image d’ouverture fournie. La génération à partir de la première et de la dernière image définit aussi le point d’arrivée et le mouvement qui y mène. Le guide image 2.7 prend en charge une source audio directrice en complément de ces combinaisons d’images. Préparez des images de début et de fin partageant une scène et un sujet prévu, et décrivez la transition au lieu de demander au modèle de réinterpréter les deux images comme des références de style sans rapport. La sortie se rapproche des proportions de la première image ; le guide traite la résolution comme un palier de nombre de pixels et arrondit les dimensions encodées en conséquence.

Le prolongement vidéo commence par un clip source et peut aussi utiliser une image finale. La durée demandée est celle de toute la vidéo renvoyée, segment original compris. L’exemple du guide associe une source de deux secondes à dix secondes de contenu nouveau pour obtenir un résultat de douze secondes. Préparez l’action finale de la source et indiquez la suite, afin que la caméra et le sujet poursuivent une direction cohérente. Contrôlez le raccord en matière d’apparence, de mouvement, de lumière et de son, au lieu d’évaluer uniquement la fin nouvellement générée.

Le profil de référence séparé actuel du fabricant utilise des images ou de la vidéo pour guider des personnages, des objets ou une scène. Son guide autorise jusqu’à cinq images et vidéos de référence au total et utilise des libellés propres à chaque type, comme Image 1 et Video 1. Décrivez le rôle de chaque source et l’interaction souhaitée. Pour une scène guidée par des références, montrez un personnage provenant d’une référence transportant l’objet d’une autre dans un lieu précisé. Le cadrage par références diffère de la génération à partir de la première image : le brief peut établir une nouvelle composition au lieu d’exiger que la vidéo s’ouvre sur une image fixe fournie.

Pour l’audio personnalisé dans la génération textuelle, les formats documentés sont WAV et MP3, avec une durée de deux à trente secondes et une taille maximale de 15 Mo. La durée vidéo choisie détermine la portion utilisée : un audio plus long est coupé à cette durée, tandis qu’un audio plus court que la vidéo laisse le reste silencieux. Préparez le passage audio exact qui appartient au plan et laissez de la place pour l’action visuelle souhaitée. Sans fichier audio fourni, le fabricant décrit la génération de musique de fond ou d’effets adaptés à la scène ; examinez le son réel et toute parole demandée avec l’image.

La matrice actuelle des modèles indique du MP4 en 720p ou 1080p à 30 images/s, avec une sortie de deux à quinze secondes pour le texte et les images. Le profil de référence séparé est limité à deux à dix secondes. La génération textuelle propose les cadrages 16:9, 9:16, 1:1, 4:3 et 3:4. Les tâches conditionnées par des images suivent leurs propres règles de proportions approximatives de la source ; préparez donc le recadrage d’entrée pour la destination prévue. Une règle de durée ou de format du profil de référence ne doit pas remplacer celle du processus fondé sur des images de début et de fin ou de prolongement.

Le processus documenté du fabricant est asynchrone : un identifiant de tâche suit le traitement, et un résultat réussi fournit l’adresse de la vidéo. La validité documentée des liens de résultat est de vingt-quatre heures ; conservez donc le clip lui-même et les éléments créatifs pour la revue du montage. Les options de réécriture du prompt, de filigrane et de graine aléatoire appartiennent à l’interface sélectionnée. Le fabricant indique qu’une graine fixe peut améliorer la reproductibilité sans garantir un résultat identique. Comparez le livrable renvoyé au brief, au lieu de supposer que les réglages seuls préservent chaque détail.

Par rapport à Wan 2.6, le guide image 2.7 ajoute précisément le contrôle par première et dernière image et le prolongement vidéo au moyen d’entrées multimodales. Wan 3.0 introduit une structure tout-en-un différente et une durée maximale plus longue pour les vidéos générées. Ce profil 2.7 conserve ses commandes et limites propres aux tâches. Vérifiez l’ensemble de la scène pour la continuité du sujet, les images d’ancrage, l’identité des références, le dialogue, les mouvements et les raccords, puis ciblez la correction suivante sur le problème réellement constaté.